特定组合体高精度虚拟装配研究与实现

发布时间：2021-07-06 04:13

　　作为虚拟制造的关键技术之一,虚拟装配技术近年来受到了学术界和工业界的广泛关注,并对高精度器件制造、虚拟制造等先进制造模式的实施具有深远影响。随着制造加工业的发展,尤其是现在越来越多的产品具有更高的精细度,在空间结构上越来越复杂,对虚拟装配的精度要求也不断提高。因此,对于产品的质量检测,尺寸、形位检测,尤其是带有曲面的产品检测,采用常规的检测手段效果不佳。目前,大多数虚拟装配系统根据器件的装配约束装配,忽略了装配表面的配合情况,造成了与实际装配过程中的差异,增加了产品开发成本。针对目前虚拟装配系统缺乏装配表面检测方法的问题,提出了基于面的点云分割算法。该算法基于RANSAC算法,将预估模型的参数,局内点数量与局内点距离作为评价因素,重新定义模型评价函数,以提高模型的准确率。使用改进后算法对高精度器件点云数据提取装配面点云后,再用聚类算法对剩余点云分割,得到局外点云。最后通过计算局外点云,得到器件的装配面几何特征。实验表明,基于面的点云分割算法能够准确分割点云数据,加快分割速度,提高装配效率。为了验证算法的可靠性,设计与实现了高精度虚拟装配系统,按照系统功能,分为交互子系统与装配校验子系统... 

【文章来源】：北方工业大学北京市

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图２－１虚拟装配总流程??

的方法是根据空间点半径范围临近点数量来去除冗余点［３５］。具体步骤是，在点云??数据中，假定每个点的一定半径范围内不存在点，如果在范围内存在点，那么取??球形内区域中接近中心的点，其他点舍弃。如下图２－２所示，中间和右圆圈中的??点要进行舍弃，而左面的圆内点保持不变。该方法可以最大限度地保留模型精度??８??

的两大基本特性是不连续性和相似性。因为在图像中物体边缘通常呈现灰度不连??续性，所以图像分割通常根据不连续性这一基本特征来对其分割。而相似性这个??特性主要的应用是根据一定的准则和约束将图像分割成相似的区域，图像分割中??最常用的区域生长算法就是基于相似性这一特征。在点云分割中，区域生长算法??同样非常实用。??区域生长算法和聚类算法有相似之处，都是从一个点出发，不断划分整个区??域实现分割。不同之处是，聚类算法通常是根据距离的远近去判断某点的归属，??对于区域生长算法，可以根据三维点云的性质去划分区域。比如普通点云中，根??据点云数据中每一个点的法向量和曲率值，进而去判断该点属于哪一类，如图??２－３。而对于特殊的点云，可以根据特殊的准则去划分。除了只有三位坐标信息??的普通点云之外，还有一种特殊的点云称为ＲＧＢ点云，这种点云数据除了结构??性信息之外还有该点的颜色信息。目前，ＲＧＢ点云可以通过市面上很多图像采??集设备获取，比如微软的Ｋｉｎｅｃｔ就可以很方便的获得ＲＧＢ点云。将物体通过颜??色分类是人们最为直观的辨别方式之一。基于颜色的区域生长算法同上述基于曲??率和法线的分割方法大致相同，该方法将曲率和法线替换为颜色信息。对于复杂??的室内场景，基于颜色的区域生长优势非常明显，如图２－４。


本文编号：3267499